Des chercheurs coréens apprennent à un robot chien à courir sans vidéos ni démonstrations d'animaux
Un robot chien vient de se déplacer comme un animal sans avoir jamais observé le vivant. Les chercheurs lui ont donné très peu de temps pour apprendre.
Des chercheurs sud-coréens de l’Institute for Basic Science ont réussi à entraîner un robot chien à courir de manière autonome, sans utiliser de vidéos ni de démonstrations d’animaux vivants. Contrairement aux méthodes classiques qui reposent sur l’observation d’un chien réel ou de séquences vidéo pour apprendre au robot à imiter les mouvements, cette équipe a développé un algorithme basé sur la modélisation physique et la simulation numérique. Le robot, nommé Unitree Go1, a été programmé pour calculer et ajuster ses mouvements en temps réel en fonction des forces et des contraintes mécaniques qui s’appliquent à lui, comme s’il devait résoudre un problème de physique appliquée. Cette approche permet au robot d’apprendre à marcher ou courir sans avoir besoin d’exemples externes, ce qui représente une avancée majeure dans le domaine de la robotique autonome.
L’originalité de cette méthode réside dans l’absence totale de données externes pour l’apprentissage. Traditionnellement, les robots apprennent à se déplacer en analysant des vidéos de chiens ou d’autres animaux, ou en recevant des démonstrations humaines. Ici, les chercheurs ont utilisé un modèle de contrôle basé sur la physique (ou physics-based control model), qui simule les interactions entre les articulations, les muscles artificiels et le sol. Le robot utilise ensuite des algorithmes d’optimisation pour trouver les mouvements les plus efficaces et stables, comme un athlète qui ajusterait sa foulée en fonction de la résistance de l’air ou de la pente du terrain. Cette technique réduit considérablement le temps et les ressources nécessaires à l’entraînement, car elle évite la collecte et le traitement de vastes ensembles de données.
Cette innovation présente plusieurs avantages par rapport aux méthodes traditionnelles. D’abord, elle élimine le besoin de données préenregistrées, ce qui simplifie le processus d’apprentissage et le rend plus rapide. Ensuite, elle permet au robot de s’adapter à des environnements variés sans avoir été spécifiquement entraîné pour chacun d’eux, car le modèle physique sous-jacent reste valable quelle que soit la surface. Enfin, cette approche est plus scalable : elle peut être appliquée à d’autres types de robots ou de mouvements, comme sauter, grimper ou éviter des obstacles, sans nécessiter de nouvelles démonstrations. Les chercheurs soulignent que cette méthode pourrait également réduire les coûts de développement des robots, un enjeu important pour les industries qui souhaitent automatiser des tâches complexes.
Cette avancée s’inscrit dans un contexte où la robotique autonome connaît une croissance rapide, notamment pour des applications en milieu industriel, agricole ou même domestique. Les robots chiens, comme le *Unitree Go1*, sont déjà utilisés pour des missions de surveillance, de recherche ou d’assistance, mais leur déploiement reste limité par la complexité de leur entraînement. Avec cette nouvelle méthode, les chercheurs ouvrent la voie à des robots plus autonomes, capables de s’adapter à des situations imprévues sans dépendre de données externes. À long terme, cette technologie pourrait être intégrée dans des robots utilisés pour des missions dangereuses, comme l’exploration de zones sinistrées ou l’inspection d’infrastructures, où la capacité à réagir rapidement et de manière autonome est cruciale.
